KR20220043975A - Supervised learning-based reflectance prediction method - Google Patents

Supervised learning-based reflectance prediction method Download PDF

Info

Publication number
KR20220043975A
KR20220043975A KR1020200126124A KR20200126124A KR20220043975A KR 20220043975 A KR20220043975 A KR 20220043975A KR 1020200126124 A KR1020200126124 A KR 1020200126124A KR 20200126124 A KR20200126124 A KR 20200126124A KR 20220043975 A KR20220043975 A KR 20220043975A
Authority
KR
South Korea
Prior art keywords
learning data
information
ink
data
reflectance
Prior art date
Application number
KR1020200126124A
Other languages
Korean (ko)
Other versions
KR102465872B1 (en
Inventor
태현철
Original Assignee
한국생산기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국생산기술연구원 filed Critical 한국생산기술연구원
Priority to KR1020200126124A priority Critical patent/KR102465872B1/en
Publication of KR20220043975A publication Critical patent/KR20220043975A/en
Application granted granted Critical
Publication of KR102465872B1 publication Critical patent/KR102465872B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00681—Detecting the presence, position or size of a sheet or correcting its position before scanning
    • H04N1/00684—Object of the detection
    • H04N1/00724—Type of sheet, e.g. colour of paper or transparency
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00681—Detecting the presence, position or size of a sheet or correcting its position before scanning
    • H04N1/00684—Object of the detection
    • H04N1/00726—Other properties of the sheet, e.g. curvature or reflectivity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6083—Colour correction or control controlled by factors external to the apparatus
    • H04N1/6091—Colour correction or control controlled by factors external to the apparatus by environmental factors, e.g. temperature or humidity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6097—Colour correction or control depending on the characteristics of the output medium, e.g. glossy paper, matt paper, transparency or fabrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

The present invention relates to a method for predicting reflectance based on supervised learning. According to the present invention, the method is for generating a reflectance prediction model using first learning data, which determines color of a printed matter to be output, and second learning data that is information on reflectance for each wavelength of the printed matter printed using the first learning data, wherein the first learning data (10) includes ink information (11), the ink information (11) includes a mixing ratio for each ink color, an ink thickness, and an ink type, and the first learning data (10) corresponds to the second learning data (20). The method includes a step (a) of inputting a plurality of pieces of first learning data (10) and a plurality of pieces of second learning data respectively corresponding to the plurality of pieces of first learning data (10) in a modeling unit (100), and a step (b) of generating, by the modeling unit (100), the reflectance prediction model for performing supervised learning, as the plurality of pieces of the first learning data (10), which is input in the step (a), are set as input data, respectively, and the plurality of pieces of the second learning data corresponding to the input data are used as label data for the input data.

Description

지도 학습 기반 반사율 예측 방법{Supervised learning-based reflectance prediction method}Supervised learning-based reflectance prediction method

본 발명은 지도 학습 기반 반사율 예측 방법에 관한 것이다.The present invention relates to a method for predicting reflectance based on supervised learning.

인쇄되는 인쇄물의 색상은 다양한 변인의 영향을 받으며, 변인이 조절됨에 따라 인쇄되는 인쇄물의 색상이 달라진다. The color of printed matter is affected by various variables, and as the variable is adjusted, the color of printed matter is changed.

인쇄물의 색상은 예를 들어, 잉크의 배합비율을 비롯하여 인쇄되는 잉크의 두께, 잉크의 종류, 종이 종류, 종이의 광학적 특징, 주변 환경의 영향 등 다양한 변인의 영향을 받는다. The color of the printed matter is affected by various variables such as, for example, the mixing ratio of the ink, the thickness of the printed ink, the type of ink, the type of paper, the optical characteristics of the paper, and the influence of the surrounding environment.

또한, 인쇄된 인쇄물의 색상은 인쇄물이 빛을 흡수하는 비율에 따라 평가될 수 있다. 인쇄된 인쇄물의 색상에 따라, 인쇄물이 빛을 흡수하는 비율이 달라지는 바, 일정한 조건 하에 인쇄물이 반사하는 빛을 측정하여 수치를 확인하면, 인쇄된 인쇄물의 색상을 정확하게 평가할 수 있다.In addition, the color of the printed material may be evaluated according to the rate at which the printed material absorbs light. Since the rate at which a print absorbs light varies according to the color of the printed matter, the color of the printed matter can be accurately evaluated by measuring the light reflected by the print under certain conditions and checking the numerical value.

종래에는, 잉크의 배합비율과 반사율을 데이터베이스화하여, 인쇄되는 인쇄물의 색상을 예측하는 것에 대한 인식은 있었다. 다만, 종래에는 인쇄물의 색상을 조절하는 다양한 변인을 고려하고 있지 않아, 정확하게 인쇄물의 색상과 반사율 간의 관계를 구하기는 어려웠고, 인쇄물의 정확한 색상과 반사율을 예측하기는 어려운 문제점이 있었다.Conventionally, there has been a perception of predicting the color of printed matter by making a database of ink blending ratios and reflectance. However, in the prior art, since various variables for controlling the color of a print are not considered, it is difficult to accurately obtain a relationship between the color and reflectance of a print, and it is difficult to predict an accurate color and reflectance of a print.

예를 들어, 일본등록특허공보 제6623679호는 색상 예측 시스템 및 색상 예측 방법에 관한 것으로, 원색 잉크 별 흡수 계수 및 산란 계수가 미리 기록 되어서 기억되어 있는 제1 흡수 계수 산란 계수 데이터베이스와 색 견본에서 측정한 측색값에 가까운 측색값을 가지는 원색 잉크의 조합으로 색상을 예측할 수 있으나, 잉크의 두께, 용지의 종류 등 인쇄물의 색상에 영향을 끼치는 요소를 다양하게 고려하고 있지는 않아 정확한 색상의 예측이 어려운 문제점이 있다.For example, Japanese Patent Application Laid-Open No. 6623679 relates to a color prediction system and a color prediction method, in which absorption coefficients and scattering coefficients for each primary color ink are recorded and stored in advance, measured in the first absorption coefficient and scattering coefficient database and color samples The color can be predicted by the combination of primary color inks having a colorimetric value close to one calorimetric value, but it is difficult to accurately predict the color because various factors that affect the color of the print, such as ink thickness and paper type, are not considered. There is this.

다른 예를 들어, 일본등록특허공보 제2686003호는 인쇄 잉크의 조색 계량 장치에 관한 것으로, 계량 장치에 학습된 인쇄된 색상의 파장 패턴과 그 때의 배합비 등이 데이터베이스화되어 있고, 입력 파장 패턴과 등록 파장 패턴과 비교 연산 하여 잉크의 배합비를 구할 수 있으나, 망점 농도, 잉크 두께, 용지의 종류 등 인쇄물의 색상에 영향을 끼치는 요소를 다양하게 고려하고 있지는 않아 정확한 색상의 예측이 어려운 문제점이 있다.For another example, Japanese Patent Publication No. 2686003 relates to a toning metering device for printing ink, in which the wavelength pattern of the printed color learned by the metering device and the mixing ratio at that time are stored in a database, and the input wavelength pattern and Although it is possible to calculate the mixing ratio of the ink by comparing it with the registered wavelength pattern, it is difficult to accurately predict the color because it does not take into account various factors affecting the color of the printed matter, such as dot density, ink thickness, and paper type.

(특허문헌 1) 일본등록특허공보 제6623679호(Patent Document 1) Japanese Patent Publication No. 6623679

(특허문헌 2) 일본등록특허공보 제2686003호(Patent Document 2) Japanese Patent Publication No. 2686003

(특허문헌 3) 일본공개특허공보 제2003-216401호(Patent Document 3) Japanese Laid-Open Patent Publication No. 2003-216401

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been devised to solve the above problems.

구체적으로, 본 발명은 인쇄되는 인쇄물의 색상을 결정하는 다양한 변인과 그 때의 반사율을 고려하여, 반사율 예측 모델을 생성하기 위함이다.Specifically, the present invention is to generate a reflectance prediction model in consideration of various variables that determine the color of printed matter and reflectance at that time.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 출력되는 인쇄물의 색상을 결정하는 제1 학습 데이터와 상기 제1 학습 데이터를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보인 제2 학습 데이터를 이용하여 반사율 예측 모델을 생성하는 방법으로서, 상기 제1 학습 데이터(10)는 잉크 정보(11)를 포함하고, 상기 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하고, 상기 제1 학습 데이터(10)와 상기 제2 학습데이터(20)는 각각 대응되고, (a) 모델링부(100)에 다수의 제1 학습 데이터(10)와, 상기 다수의 제1 학습 데이터(10)와 각각 대응되는 다수의 제2 학습 데이터(20)가 입력되는 단계; 및 (b) 상기 모델링부(100)는 상기 (a) 단계에서 입력된 상기 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 상기 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 상기 각각의 입력 데이터의 레이블 데이터(label data)로 하여 지도 학습(supervised learning)하는 상기 반사율 예측 모델을 생성하는 단계; 를 포함하는 방법을 제공한다.According to an embodiment of the present invention for solving the above problems, the first learning data for determining the color of the printed matter to be output and the second information about the reflectance for each wavelength band of the printed matter printed using the first learning data A method of generating a reflectance prediction model using training data, wherein the first training data 10 includes ink information 11, and the ink information 11 includes a blending ratio for each ink color, ink thickness, and ink type. including, wherein the first learning data 10 and the second learning data 20 correspond to each other, and (a) a plurality of first learning data 10 and the plurality of first learning data 10 in the modeling unit 100 A step of inputting a plurality of second learning data 20 respectively corresponding to the first learning data 10; and (b) the modeling unit 100 sets each of the plurality of first learning data 10 input in step (a) as input data, and sets the plurality of first learning data 10 input in step (a) as input data, generating the reflectance prediction model for supervised learning by using the second training data 20 as label data of each of the input data; provides a method comprising

일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄되는 종이의 광학적 특징 및 종이 종류를 포함하는 종이 정보(12)를 더 포함하고, 상기 종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)중 어느 하나 이상을 포함할 수 있다.In one embodiment, the plurality of first learning data 10 further includes paper information 12 including optical characteristics and paper types of paper to be printed, respectively, and the optical characteristics of the paper are the glossiness ( Gloss), may include any one or more of whiteness (Whiteness) and opacity (Opacity).

일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄 정보(13)를 더 포함할 수 있다.According to an embodiment, each of the plurality of first learning data 10 may further include print information 13 .

일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 잉크에 포함되는 첨가물 비율을 포함하는 첨가물 정보(14)에 대한 정보를 더 포함할 수 있다.According to an embodiment, the plurality of first learning data 10 may further include information on the additive information 14 including the additive ratio included in each ink.

일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 위치되는 환경의 온습도 정보(15)를 더 포함할 수 있다.In one embodiment, the plurality of first learning data 10 may further include temperature and humidity information 15 of an environment in which the printing press is located, respectively.

일 실시예는, 상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 포함하는 수분량 정보(16)를 더 포함할 수 있다.In one embodiment, the plurality of first learning data 10 may further include moisture content information 16 included in each of the printing presses.

일 실시예는, 상기 (b)단계 이후, 상기 (b)단계에서 생성된 상기 반사율 예측 모델에 상기 다수의 제1 학습 데이터(10)의 종류 중 어느 하나 이상의 정보를 입력하면, 상기 입력된 정보로부터 반사율을 예측하는 단계;를 더 포함할 수 있다.In one embodiment, after step (b), if any one or more information of the types of the plurality of first training data 10 is input to the reflectivity prediction model generated in step (b), the input information Predicting the reflectance from; may further include.

본 발명에 따라, 다음과 같은 효과가 달성된다. According to the present invention, the following effects are achieved.

본 발명은 인쇄되는 인쇄물의 색상을 결정하는 다양한 변인과 그 때의 반사율을 고려하여, 반사율 예측 모델을 생성하는바, 인쇄물의 색상 및 품질의 예측의 정확도가 증대될 수 있다.The present invention generates a reflectance prediction model in consideration of various variables that determine the color of printed matter and reflectance at that time, so that the accuracy of prediction of color and quality of printed matter can be increased.

도 1은 본 발명에 따른 반사율 예측 모델을 생성할 때 사용되는 제1 학습 데이터와 제2 학습 데이터를 설명하기 위한 도면이다.
도 2는 본 발명에 따른 반사율 예측 모델을 생성하는 것을 설명하기 위한 모식도이다.
도 3 및 도 4는 본 발명에 따른 제1 학습 데이터와 제2 학습 데이터의 수치를 예시적으로 설명하기 위한 도면이다.1 is a view for explaining first learning data and second learning data used when generating a reflectance prediction model according to the present invention.
2 is a schematic diagram for explaining the generation of a reflectance prediction model according to the present invention.
3 and 4 are diagrams for exemplarily explaining numerical values of the first learning data and the second learning data according to the present invention.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.In some cases, well-known structures and devices may be omitted or shown in block diagram form focusing on core functions of each structure and device in order to avoid obscuring the concept of the present invention.

또한, 본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, in the description of the embodiments of the present invention, if it is determined that a detailed description of a well-known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, the terms to be described later are terms defined in consideration of functions in an embodiment of the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

도 1 내지 도 4를 참조하여, 본 발명에 따른 반사율 예측 모델을 생성하는 방법을 설명한다.A method of generating a reflectance prediction model according to the present invention will be described with reference to FIGS. 1 to 4 .

본원 발명은 제1 학습 데이터(10)는 인쇄물의 색상에 영향을 끼칠 수 있는 정보를 포함하고, 제2 학습 데이터(20)를 인쇄물에서 반사되는 파장 별 반사율에 대한 정보를 포함하여, 모델링부(100)가 제1 학습 데이터(10)와 제2 학습 데이터(20)를 지도 학습(supervised learning)하여 반사율 예측 모델을 생성하기 위함이다.In the present invention, the first learning data 10 includes information that can affect the color of the print, and the second learning data 20 includes information on reflectance for each wavelength reflected from the print, including information on the reflectivity of each wavelength, the modeling unit ( 100) is to generate a reflectance prediction model by supervised learning of the first learning data 10 and the second learning data 20 .

이 때, 지도 학습이란 제1 학습 데이터(10)와 이에 대한 제2 학습 데이터(20)가 있는 상태에서 학습을 시키는 방법으로서, 지도 학습은 이미 공지된 기술인 바 이에 대한 자세한 설명은 생략한다. In this case, supervised learning is a method of learning in a state in which the first learning data 10 and the second learning data 20 are present. Since supervised learning is a known technique, a detailed description thereof will be omitted.

제1 학습 데이터(10)는 반사율 예측 모델을 생성할 때 입력되는 입력 데이터(input data)를 의미하며, 제2 학습 데이터(20)는 입력 데이터의 레이블 데이터(label data)를 의미한다. The first training data 10 means input data input when generating the reflectance prediction model, and the second training data 20 means label data of the input data.

이 때, 레이블 데이터(label data)는 입력 데이터(input data)에 대한 정답 데이터를 의미하는 것으로, 지도 학습에서 사용되는 데이터의 명칭을 의미한다. 이는 이미 공지된 기술로 이에 대한 자세한 설명은 생략한다.In this case, label data means correct answer data for input data, and means the name of data used in supervised learning. This is a known technique, and detailed description thereof will be omitted.

도 1 및 도 2를 참조하여 본 발명에 따른 반사율 예측 모델을 생성할 때 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)를 구체적으로 설명한다.The first training data 10 and the second training data 20 used when generating the reflectance prediction model according to the present invention will be described in detail with reference to FIGS. 1 and 2 .

제1 학습 데이터(10)는 인쇄되는 인쇄물의 색상에 영향을 끼칠 수 있는 정보를 포함한다.The first learning data 10 includes information that can affect the color of printed matter.

제1 학습 데이터(10)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14), 온습도 정보(15) 및 수분량 정보(16)을 포함한다.The first learning data 10 includes ink information 11 , paper information 12 , printing information 13 , additive information 14 , temperature and humidity information 15 , and moisture content information 16 .

모델링부(100)는 제1 학습 데이터(10) 중 어느 하나 이상을 포함하여 학습될 수 있다. 이에 대하여는 후술한다. The modeling unit 100 may be trained by including any one or more of the first learning data 10 . This will be described later.

모델링부(100)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나 이상을 포함하는 잉크 정보(11)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.The modeling unit 100 includes first learning data 10 including ink information 11 including any one or more of a blending ratio for each ink color, ink thickness, and ink type, and the first learning data 10 at this time. ) and the second learning data 20 corresponding to each wavelength may be supervised learning.

잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나 이상을 포함한다.The ink information 11 includes any one or more of a mixing ratio for each ink color, an ink thickness, and an ink type.

즉, 후술하는 바와 같이 제1 학습 데이터(10)에 포함되는 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류 중 어느 하나를 포함할 수 있고, 이에 대한 제2 학습 데이터(20)로 지도 학습될 수 있다.That is, as will be described later, the ink information 11 included in the first learning data 10 may include any one of a mixing ratio for each ink color, an ink thickness, and an ink type, and the second learning data 20 ) can be supervised learning.

잉크 색상 별 배합비율은 인쇄하는데 사용되는 잉크 색상인 시안(Cyan), 마젠타(Magenta), 노랑(Yellow) 및 검정(Black, KE)의 비율을 의미한다.The mixing ratio for each ink color means the ratio of cyan, magenta, yellow, and black (KE) ink colors used for printing.

잉크 두께는 인쇄물에 인쇄되는 잉크층의 두께값을 의미한다.The ink thickness means the thickness value of the ink layer printed on the printed matter.

잉크 종류는 사용되는 잉크의 종류를 의미한다. 예를 들어 일반 잉크를 사용한 것인지, UV 잉크를 사용한 것인지에 대한 잉크의 종류를 의미한다.The ink type refers to the type of ink used. For example, it refers to the type of ink whether general ink or UV ink is used.

또한, 잉크 종류는 잉크 제조사 별에 따라 달라지는 잉크의 종류를 의미할 수 있다. 가령, 같은 노란색의 잉크라도 잉크 제조사에 따라 색상이 달라질 수 있는 바, 잉크 제조사 별 잉크 색상 배합 비율을 고려할 수 있다. 예를 들어, 도 4에는 각 잉크 색상 별 제조사를 표시한다. In addition, the type of ink may mean a type of ink that varies according to each ink manufacturer. For example, even if the same yellow ink has a different color depending on the ink manufacturer, the ink color mixing ratio for each ink manufacturer may be considered. For example, in FIG. 4, manufacturers for each ink color are indicated.

또한, 모델링부(100)는 잉크 정보(11)와 종이 정보(12)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.In addition, the modeling unit 100 includes first learning data 10 including ink information 11 and paper information 12 , and second learning data 20 corresponding to the first learning data 10 at this time. ) can be supervised with reflectance for each wavelength.

종이 정보(12)는 종이의 광학적 특징 및 종이 종류 중 어느 하나 이상을 포함한다.The paper information 12 includes any one or more of an optical characteristic of a paper and a paper type.

종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)를 포함할 수 있다.The optical characteristics of the paper may include gloss, whiteness, and opacity of the paper.

이 때, 종이의 광택도는 종이의 광택을 계측하여 수치로 표시한 것이다.At this time, the glossiness of the paper is expressed as a numerical value by measuring the gloss of the paper.

이 때, 종이의 백색도는 종이의 표면색의 흰 정도를 1차원적으로 나타낸 수치이다.In this case, the whiteness of the paper is a numerical value representing the whiteness of the surface color of the paper one-dimensionally.

이 때, 종이의 불투명도는 종이의 불투명도를 계측하여 수치로 표시한 것으로, 투명에 근접하면 불투명도가 0에 근접한다. In this case, the opacity of the paper is expressed as a numerical value by measuring the opacity of the paper, and when it approaches transparency, the opacity approaches 0.

종이 종류는 사용되는 종이의 재질에 따른 종류를 의미한다. 예를 들어 종이가 백상지, 아트지, 코트지 및 매트지인지 등의 종이의 종류를 의미한다.Paper type refers to a type according to the material of the paper used. For example, it refers to the type of paper, such as whether the paper is white paper, art paper, coated paper, or matte paper.

이 때, 종이 정보(12)에는 인쇄된 인쇄물의 LAB좌표가 더 포함될 수 있고, LAB좌표는 이미 공지된 기술인 바 이에 대한 자세한 설명은 생략하기로 한다.In this case, the paper information 12 may further include the LAB coordinates of the printed matter, and the LAB coordinates are already known techniques, and a detailed description thereof will be omitted.

또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12) 및 인쇄 정보(13)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.In addition, the modeling unit 100 includes first learning data 10 including ink information 11 , paper information 12 , and printing information 13 , and corresponding to the first learning data 10 at this time. Supervised learning may be performed based on reflectance for each wavelength, which is the second learning data 20 .

인쇄 정보(13)는 단위면적 당 인쇄되는 망점의 개수인 망점 농도를 포함할 수 있다. 설정된 망점 농도에 따라 인쇄되는 색상이 다르게 보인다.The print information 13 may include a dot density, which is the number of dots printed per unit area. Printed colors look different depending on the set density of halftone dots.

또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13) 및 첨가물 정보(14)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다.In addition, the modeling unit 100 includes the first learning data 10 including the ink information 11 , the paper information 12 , the printing information 13 , and the additive information 14 , and the first learning data at this time. Supervised learning may be performed based on reflectance for each wavelength, which is the second learning data 20 corresponding to (10).

첨가물 정보(14)는 잉크에 첨가되는 첨가물에 대한 정보를 의미하며, 첨가물 정보(14)는 첨가물 비율을 포함한다.The additive information 14 means information on additives added to the ink, and the additive information 14 includes an additive ratio.

첨가물 비율은 잉크에 별도로 첨가된 첨가물의 비율로, 첨가물 비율이 달라지면 인쇄물의 색상과 품질이 달라진다. 이 때, 잉크에는 잉크가 잘 섞이도록 유화제와 같은 첨가물이 첨가될 수 있으나 이에 제한되는 것은 아니다.The additive ratio is the ratio of additives added to the ink separately. If the additive ratio is changed, the color and quality of the print will be different. At this time, additives such as emulsifiers may be added to the ink to mix well with the ink, but the present invention is not limited thereto.

또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14) 및 온습도 정보(15)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다In addition, the modeling unit 100 includes first learning data 10 including ink information 11 , paper information 12 , printing information 13 , additive information 14 and temperature and humidity information 15 , and this Supervised learning may be performed with reflectance for each wavelength, which is the second learning data 20 corresponding to the first learning data 10 when

온습도 정보(15)는 인쇄되는 인쇄물이 위치되는 환경의 온도 및 습도를 의미한다. 온도 및 습도에 따라 잉크의 끈적임이 달라지고 인쇄되는 인쇄물 색상이 달라진다.The temperature and humidity information 15 means the temperature and humidity of an environment in which printed matter is located. Depending on the temperature and humidity, the stickiness of the ink changes and the color of the printed material changes.

또한, 모델링부(100)는 잉크 정보(11), 종이 정보(12), 인쇄 정보(13), 첨가물 정보(14), 온습도 정보(15) 및 수분량 정보(16)를 포함하는 제1 학습 데이터(10)와, 이 때의 제1 학습 데이터(10)와 대응되는 제2 학습 데이터(20)인 파장 별 반사율로 지도 학습될 수 있다In addition, the modeling unit 100 includes first learning data including ink information 11 , paper information 12 , printing information 13 , additive information 14 , temperature and humidity information 15 , and moisture content information 16 . Supervised learning may be performed using (10) and the reflectance for each wavelength, which is the second learning data 20 corresponding to the first learning data 10 at this time.

수분량 정보(16)은 물을 사용하는 인쇄기의 경우 포함될 수 있는 제1 학습 데이터(10)이다. 물을 사용하는 인쇄기의 경우 포함하고 있는 수분량에 따라, 출력되는 인쇄물의 색상 또는 품질이 달라질 수 있다.The moisture content information 16 is the first learning data 10 that may be included in the case of a printing press using water. In the case of a printing press that uses water, the color or quality of printed matter may vary depending on the amount of moisture it contains.

예를 들어, 인쇄기 중 오프셋 인쇄기는 물을 사용하는 바, 인쇄기에 포함되는 수분량 정보(16)을 제1 학습 데이터(10)로 사용하여 학습할 수 있다.For example, an offset printing press among the printing presses uses water, so it can learn by using the moisture content information 16 included in the printing press as the first learning data 10 .

제2 학습 데이터(20)는 제1 학습 데이터(10)를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보를 포함한다.The second learning data 20 includes information on reflectance for each wavelength band of a printed matter printed using the first learning data 10 .

파장 별 반사율에 대한 정보는 다수의 파장을 인쇄물에 조사할 때, 반사되는 빛의 반사율을 의미하는 것이다. The information on the reflectance for each wavelength means the reflectance of the reflected light when irradiating a print with multiple wavelengths.

파장 별 반사율에 대한 정보는 인쇄물의 색상에 따라 달라지는 바, 제2 학습 데이터(20)는 제1 학습 데이터(10)에 따라 달라진다.Information on reflectance for each wavelength varies depending on the color of the printed matter, and the second learning data 20 varies according to the first learning data 10 .

제2 학습 데이터(20)는 다수의 제1 학습 데이터(10)마다 각각 생성되며, 각각의 제1 학습 데이터(10)로 인쇄되는 인쇄물에서 특정 파장을 조사할 때, 반사되는 빛의 반사율을 포함한다.The second learning data 20 is generated for each of the plurality of first learning data 10 , and includes reflectance of reflected light when irradiating a specific wavelength in a printed matter printed as each first learning data 10 . do.

이 때, 제2 학습 데이터(20)에서 조사하는 파장 값은 특정한 값에 제한되는 것은 아니다. In this case, the wavelength value irradiated from the second learning data 20 is not limited to a specific value.

이후 제1 학습 데이터(10)와 제2 학습 데이터(20)는 모델링부(100)에 한 쌍으로 입력된다. Thereafter, the first learning data 10 and the second learning data 20 are input as a pair to the modeling unit 100 .

모델링부(100)에는 제1 학습 데이터(10)와 제2 학습 데이터(20)가 한 쌍으로 입력되며, 다수의 쌍이 입력된다.The first learning data 10 and the second learning data 20 are input as a pair to the modeling unit 100 , and a plurality of pairs are inputted.

모델링부(100)는 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 레이블 데이터(label data)로 설정하여, 지도 학습하고, 반사율 예측 모델을 생성할 수 있다.The modeling unit 100 sets each of the plurality of first learning data 10 as input data, and sets the second learning data 20 corresponding to each input data as label data. By setting, supervised learning can be performed and a reflectance prediction model can be created.

이 때, 모델링부(100)에서 수행되는 지도 학습의 종류는 특정한 방법에 제한되는 것은 아니다.In this case, the type of supervised learning performed by the modeling unit 100 is not limited to a specific method.

본 발명에서는 모델링부(100)에 입력되는 제1 학습 데이터(10)로 인쇄물의 색상에 영향을 미칠 수 있는 구체적이고 다수의 변수를 이용하여 학습되는 바, 보다 정확하게 인쇄물의 색상 및 품질을 평가할 수 있다.In the present invention, as the first learning data 10 input to the modeling unit 100 is learned using a number of specific variables that can affect the color of the print, it is possible to more accurately evaluate the color and quality of the print. there is.

본 발명에 따라 지도 학습되어 생성된 반사율 예측 모델은 다양한 값을 추산할 수 있다.The reflectance prediction model generated by supervised learning according to the present invention can estimate various values.

이 하, X값은 반사율 예측 모델에 입력되는 정보를 의미하며, 전술한 제1 학습데이터(10)가 포함하는 정보의 종류 중 특정한 정보 또는 수치를 의미한다. 즉, X값은 학습 데이터(10)가 포함하는 종류 중 어느 하나 이상의 정보일 수 있다. 다만, X값은 학습 데이터(10)와 동일한 정보 또는 수치일 수도 있으나, 학습 데이터(10)와 다른 정보 또는 수치일 수 있다. Y값은 반사율 예측 모델로부터 출력되며 예측되는 값을 의미한다. 예를 들어, 반사율 예측 모델에 잉크 색상 별 배합비율과 종이 종류, 잉크 두께 및 망점 농도에 대한 정보인 X값을 입력하면, 반사율인 Y값이 특정한 값으로 예측될 수 있다. Hereinafter, the X value refers to information input to the reflectance prediction model, and refers to specific information or numerical values among the types of information included in the above-described first learning data 10 . That is, the X value may be any one or more types of information included in the learning data 10 . However, the X value may be the same information or numerical values as the learning data 10 , but may be different information or numerical values from the learning data 10 . The Y value means a value that is output and predicted from the reflectance prediction model. For example, if the X value, which is information on the mixing ratio for each ink color, the type of paper, the ink thickness, and the dot density, is input to the reflectance prediction model, the Y value, which is the reflectance, can be predicted as a specific value.

이 때, 입력되는 X값의 정보가 많을수록 반사율인 Y값이 정확하게 예측될 수 있다.At this time, the more information on the input X value, the more accurately the reflectance Y value can be predicted.

다른 예를 들어, 반사율 예측 모델에 잉크 색상 별 배합비율인 X값과 반사율인 Y값을 넣어주면 종이 종류, 잉크 두께 및 망점 농도와 같은 다른 X값이 예측될 수 있다.For another example, if the X value, which is the blending ratio for each ink color, and the Y value, which is the reflectance, are put into the reflectance prediction model, other X values such as paper type, ink thickness, and dot density can be predicted.

즉, 학습된 반사율 예측 모델을 통하여, X값으로 Y값을 예측하는 것이나 일부의 X값과 Y값으로 전체 X값을 예측할 수도 있다.That is, through the learned reflectance prediction model, the Y value may be predicted using the X value, or the entire X value may be predicted using some of the X values and the Y values.

도 3을 참조하여, 본원 발명의 반사율 예측 모델을 생성하는데 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)의 수치를 예시적으로 설명한다.With reference to FIG. 3 , the numerical values of the first training data 10 and the second training data 20 used to generate the reflectance prediction model of the present invention will be exemplarily described.

제1 학습 데이터(10)로 잉크 정보(10) 중 잉크 색상 별 배합비율 및 잉크 두께를 포함하며, 종이 정보(20)로 종이 종류를 포함하며, 망점 농도(30)를 포함한다. 제2 학습 데이터(20)는 이 때의 제1 학습 데이터(10) 정보로 반사되는 빛의 반사율로서, 예시적으로 100nm파장과 150nm파장을 조사하였을 때 반사율을 설명하나, 이에 제한되는 것은 아니다.The first learning data 10 includes the mixing ratio and ink thickness for each ink color among the ink information 10 , the paper information 20 includes the paper type, and the halftone density 30 . The second learning data 20 is a reflectance of light reflected by the information of the first learning data 10 at this time, and the reflectance is exemplarily described when irradiated with a wavelength of 100 nm and a wavelength of 150 nm, but is not limited thereto.

도 3의 제1 열에서 제1 학습 데이터(10)로 잉크 색상 별 배합비율은 시안(Cyan), 마젠타(Magenta), 노랑(Yellow), 검정(Black, KE)은 각각 0.2, 0.5, 0.1, 0.2이며, 잉크 두께는 1이고, 종이 종류는 백상지이고, 망점 농도는 45%로 도시된다. 또한, 도 3의 제1 열에서 제2 학습 데이터(20)로 100nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 10이며, 150nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 20인 것을 설명한다.As the first training data 10 in the first column of FIG. 3, the mixing ratios for each ink color are 0.2, 0.5, 0.1, 0.2, the ink thickness is 1, the paper type is white paper, and the halftone density is shown as 45%. In addition, when irradiating a wavelength of 100 nm to the second learning data 20 in the first column of FIG. 3 , the reflectance in the first learning data 10 is 10, and when irradiating a wavelength of 150 nm, the first 1 The case where the reflectance in the learning data 10 is 20 is demonstrated.

또한, 도 3의 제2 열에서 제1 학습 데이터(10)로 잉크 색상 별 배합비율은 시안(Cyan), 마젠타(Magenta), 노랑(Yellow), 검정(Black, KE)은 각각 0.4, 0.2, 0.2, 0.2이며, 잉크 두께는 0.8이고, 종이 종류는 백상지이고, 망점 농도는 80%로 도시된다. 또한, 도 3의 제1 열에서 제2 학습 데이터(20)로 100nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 15이며, 150nm의 파장을 조사할 때, 해당 제1 학습 데이터(10)에서의 반사율이 24인 것을 설명한다.In addition, as the first training data 10 in the second column of FIG. 3 , the mixing ratio for each ink color is 0.4, 0.2, 0.2, 0.2, the ink thickness is 0.8, the paper type is white paper, and the halftone density is shown as 80%. In addition, when irradiating a wavelength of 100 nm to the second learning data 20 in the first column of FIG. 3 , the reflectance in the first learning data 10 is 15, and when irradiating a wavelength of 150 nm, the first 1 It is demonstrated that the reflectance in the learning data 10 is 24.

도 4를 참조하여, 본원 발명의 반사율 예측 모델을 생성하는데 사용되는 제1 학습 데이터(10)와 제2 학습 데이터(20)의 수치를 예시적으로 설명한다.With reference to FIG. 4 , numerical values of the first training data 10 and the second training data 20 used to generate the reflectance prediction model of the present invention will be exemplarily described.

도 4에서는 제1 학습 데이터(10)로 잉크 정보(10) 중 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하며, 종이 정보(20)로 종이 종류와 종이의 LAB좌표를 포함하고, 인쇄 정보(30)로 단위면적 당 망점의 개수를 포함한다. 제2 학습 데이터(20)는 이 때의 제1 학습 데이터(10) 정보로 반사되는 빛의 반사율로서, 예시적으로 380nm파장 내지 750nm파장을 조사하였을 때 반사율을 설명한다.In FIG. 4 , the first learning data 10 includes the mixing ratio for each ink color, ink thickness, and ink type among the ink information 10 , and includes the paper type and LAB coordinates of the paper as the paper information 20 , and printing The information 30 includes the number of dots per unit area. The second learning data 20 is a reflectance of light reflected by the information of the first learning data 10 at this time, and the reflectance will be explained when a wavelength of 380 nm to 750 nm is irradiated by way of example.

이상, 본 발명에 따르면 제1 학습 데이터(10)와 제2 학습 데이터(20)를 이용하여 반사율 예측 모델을 생성할 수 있고, 생성된 반사율 예측 모델을 통해 특정한 X값을 입력하면, Y값인 반사율을 예측할 수 있다.Above, according to the present invention, a reflectance prediction model can be generated using the first learning data 10 and the second learning data 20, and when a specific X value is input through the generated reflectance prediction model, the reflectance that is the Y value can be predicted.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art can make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

10: 제1 학습 데이터
11: 잉크 정보
12: 종이 정보
13: 인쇄 정보
14: 첨가물 정보
15: 온습도 정보
16: 수분량 정보
20: 제2 학습 데이터
100: 모델링부10: first training data
11: Ink information
12: Paper information
13: Print information
14: Additive Information
15: temperature and humidity information
16: moisture content information
20: second training data
100: modeling unit

Claims (7)

출력되는 인쇄물의 색상을 결정하는 제1 학습 데이터와 상기 제1 학습 데이터를 이용하여 인쇄된 인쇄물의 파장대별 반사율에 대한 정보인 제2 학습 데이터를 이용하여 반사율 예측 모델을 생성하는 방법으로서,
상기 제1 학습 데이터(10)는 잉크 정보(11)를 포함하고,
상기 잉크 정보(11)는 잉크 색상 별 배합비율, 잉크 두께 및 잉크 종류를 포함하고,
상기 제1 학습 데이터(10)와 상기 제2 학습데이터(20)는 각각 대응되고,
(a) 모델링부(100)에 다수의 제1 학습 데이터(10)와, 상기 다수의 제1 학습 데이터(10)와 각각 대응되는 다수의 제2 학습 데이터(20)가 입력되는 단계; 및
(b) 상기 모델링부(100)는 상기 (a) 단계에서 입력된 상기 다수의 제1 학습 데이터(10)를 각각 입력 데이터(input data)로 설정하고, 상기 각각의 입력 데이터와 대응되는 상기 제2 학습 데이터(20)를 상기 각각의 입력 데이터의 레이블 데이터(label data)로 하여 지도 학습(supervised learning)하는 상기 반사율 예측 모델을 생성하는 단계; 를 포함하는,
방법.
A method of generating a reflectance prediction model using first learning data for determining the color of an outputted print and second learning data that is information on reflectance for each wavelength band of a print printed using the first learning data,
The first learning data 10 includes ink information 11,
The ink information 11 includes a blending ratio for each ink color, an ink thickness, and an ink type,
The first learning data 10 and the second learning data 20 correspond to each other,
(a) inputting a plurality of first learning data 10 and a plurality of second learning data 20 respectively corresponding to the plurality of first learning data 10 to the modeling unit 100; and
(b) the modeling unit 100 sets each of the plurality of first learning data 10 input in step (a) as input data, and the second 2 generating the reflectance prediction model for supervised learning by using the training data 20 as the label data of each input data; containing,
Way.
 제1항에 있어서,
상기 다수의 제1 학습 데이터(10)는 각각 인쇄되는 종이의 광학적 특징 및 종이 종류를 포함하는 종이 정보(12)를 더 포함하고,
상기 종이의 광학적 특징은 종이의 광택도(Gloss), 백색도(Whiteness) 및 불투명도(Opacity)중 어느 하나 이상을 포함하는,
방법.
According to claim 1,
The plurality of first learning data 10 further includes paper information 12 including optical characteristics and paper type of paper to be printed, respectively,
The optical characteristics of the paper include any one or more of gloss (Gloss), whiteness (Whiteness) and opacity (Opacity) of the paper,
Way.
 제2항에 있어서,
상기 다수의 제1 학습 데이터(10)는 각각 망점 농도를 포함하는 인쇄 정보(13)를 더 포함하는,
방법.
3. The method of claim 2,
Each of the plurality of first learning data 10 further includes print information 13 including the density of halftone dots,
Way.
 제1항에 있어서,
상기 다수의 제1 학습 데이터(10)는 각각 잉크에 포함되는 첨가물 비율을 포함하는 첨가물 정보(14)에 대한 정보를 더 포함하는,
방법.
According to claim 1,
Each of the plurality of first learning data 10 further includes information on the additive information 14 including the additive ratio included in the ink,
Way.
 제1항에 있어서,
상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 위치되는 환경의 온습도 정보(15)를 더 포함하는,
방법.
According to claim 1,
Each of the plurality of first learning data 10 further includes temperature and humidity information 15 of the environment in which the printer is located,
Way.
 제1항에 있어서,
상기 다수의 제1 학습 데이터(10)는 각각 인쇄기가 포함하는 수분량 정보(16)를 더 포함하는,
방법.
According to claim 1,
Each of the plurality of first learning data 10 further includes moisture content information 16 included in the printer,
Way.
 제1항에 있어서,
상기 (b)단계 이후,
상기 (b)단계에서 생성된 상기 반사율 예측 모델에 상기 다수의 제1 학습 데이터(10)의 종류 중 어느 하나 이상의 정보를 입력하면, 상기 입력된 정보로부터 반사율을 예측하는 단계;를 더 포함하는,
방법.
According to claim 1,
After step (b),
When any one or more of the types of the plurality of first training data 10 is input to the reflectivity prediction model generated in step (b), predicting reflectance from the input information; further comprising,
Way.
KR1020200126124A 2020-09-28 2020-09-28 Supervised learning-based reflectance prediction method KR102465872B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200126124A KR102465872B1 (en) 2020-09-28 2020-09-28 Supervised learning-based reflectance prediction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200126124A KR102465872B1 (en) 2020-09-28 2020-09-28 Supervised learning-based reflectance prediction method

Publications (2)

Publication Number Publication Date
KR20220043975A true KR20220043975A (en) 2022-04-06
KR102465872B1 KR102465872B1 (en) 2022-11-14

Family

ID=81211726

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200126124A KR102465872B1 (en) 2020-09-28 2020-09-28 Supervised learning-based reflectance prediction method

Country Status (1)

Country Link
KR (1) KR102465872B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11235810A (en) * 1997-10-03 1999-08-31 Nisshinbo Ind Inc Color adjustment supporting system for printing
JP2007260936A (en) * 2006-03-27 2007-10-11 Seiko Epson Corp Apparatus for estimating printing result, method for estimating printing result and program for estimating printing result
JP2007336198A (en) * 2006-06-14 2007-12-27 Seiko Epson Corp Generation of color conversion profile for printing
CN103870689A (en) * 2014-03-11 2014-06-18 武汉大学 Light spectrum predication method for printing system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11235810A (en) * 1997-10-03 1999-08-31 Nisshinbo Ind Inc Color adjustment supporting system for printing
JP2007260936A (en) * 2006-03-27 2007-10-11 Seiko Epson Corp Apparatus for estimating printing result, method for estimating printing result and program for estimating printing result
JP2007336198A (en) * 2006-06-14 2007-12-27 Seiko Epson Corp Generation of color conversion profile for printing
CN103870689A (en) * 2014-03-11 2014-06-18 武汉大学 Light spectrum predication method for printing system

Also Published As

Publication number Publication date
KR102465872B1 (en) 2022-11-14

Similar Documents

Publication Publication Date Title
EP1649409B1 (en) Prediction model for color separation, calibration and control of printers
JP6510659B2 (en) Color calibration
EP1489831B1 (en) Color management system using distributed profiles for color printing systems
EP3675476B1 (en) Color prediction model construction method and color prediction model construction program
US11044384B2 (en) Color prediction method
US7173733B2 (en) Method for modeling color halftones
JP2872059B2 (en) Control method of ink supply
JP2003175643A (en) All-device-space automatic black replacement
KR102465872B1 (en) Supervised learning-based reflectance prediction method
JP2022052632A (en) Color prediction method and color prediction program
Zorenko et al. Influence of the surface characteristics of corrugated cardboard on the quality of inkjet printing
Hersch et al. Deducing ink thickness variations by a spectral prediction model
JP7353763B2 (en) Color prediction method and color prediction program
JP2017085266A (en) Color prediction system and color prediction method
CN103209836A (en) Image processing apparatus and image processing method
KR102630072B1 (en) Prediction method of color variation tendency by dry-down
Milder et al. The Artificial Neural Network Structure Selection Algorithm in the Direct Task of Spectral Reflection Prediction
US11659131B2 (en) Method and computer program product for predicting spectral characteristics of ink applied to a base material
JP2004328716A (en) Image information processing method, image forming system and program
JP2004291604A (en) Image forming method and image output system
JP2019181863A (en) Method for creating numerical expression for prediction of printing result, prediction method, and prediction system
JP5524430B1 (en) Ink halftone color value prediction system, method and program
KR20230059885A (en) Prediction method of color variation tendency by dry-down
Milder et al. On the Direct Problem of Spectral Reflection Prediction by Artificial Neural Networks: Framework Selection
Ogasahara Optimization of Subtractive Color Dyes for Dye-Based Color Inkjet Printer

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant